تجزیه و تحلیل روندهای مکانی- زمانی دمای سطح زمین در منطقه شهری داکا با استفاده از تصاویر Landsat

 

دمای سطح زمین (LST) یک عامل اصلی تعیین کننده رفتار حرارتی جهانی سطح زمین است. LST یک ملاحظات حیاتی برای ارزیابی تغییرات حرارتی تدریجی برای مناطق شهری است تا قدرت شدت حرارتی سطح جزیره گرمایی شهری (SUHI) را بررسی کند و ببیند سطح زمین در یک مکان خاص چقدر گرم خواهد بود. از این نظر، توسعه‌یافته‌ترین شهر شهری مانند منطقه شهری داکا (DMA)، بنگلادش برای تخمین LST در نظر گرفته می‌شود، و شاخص تفاوت نرمال شده گیاهی (NDVI) روند را در مناطق توسعه‌یافته‌تر و در حال توسعه تغییر می‌دهد. تمرکز این مطالعه یافتن مناطق کانونی بحرانی برای تجزیه و تحلیل آنی بیشتر بین این دو نوع منطقه است. روندهای بلندمدت LST و NDVI مکانی و زمانی با استفاده از تصاویر Landsat-Landsat 5-TM و Landsat OLI_TIRS-8 برای دوره 1988 تا 2018 برای DMA و برای مناطق توسعه یافته و در حال توسعه در طول فصل تابستان برآورد شده است. ماه مارس طبقه‌بندی نظارت‌شده برای تخمین دسته‌بندی‌های پوشش زمین و تولید نقشه‌های روند LST از صدک‌های مختلف LSTs در طول زمان با استفاده از تابش و موثر در دمای روشنایی سنسور استفاده شد. این مطالعه تغییر در الگوهای پوشش زمین توسط گروه های LST مختلف بر اساس صدک های 50، 75 و 90 را نشان داد که در آن حداکثر LST برای کل DMA 2.48 افزایش یافت. طبقه‌بندی نظارت‌شده برای تخمین دسته‌بندی‌های پوشش زمین و تولید نقشه‌های روند LST از صدک‌های مختلف LSTs در طول زمان با استفاده از تابش و موثر در دمای روشنایی سنسور استفاده شد. این مطالعه تغییر در الگوهای پوشش زمین توسط گروه های LST مختلف بر اساس صدک های 50، 75 و 90 را نشان داد که در آن حداکثر LST برای کل DMA 2.48 افزایش یافت. طبقه‌بندی نظارت‌شده برای تخمین دسته‌بندی‌های پوشش زمین و تولید نقشه‌های روند LST از صدک‌های مختلف LSTs در طول زمان با استفاده از تابش و موثر در دمای روشنایی سنسور استفاده شد. این مطالعه تغییر در الگوهای پوشش زمین توسط گروه های LST مختلف بر اساس صدک های 50، 75 و 90 را نشان داد که در آن حداکثر LST برای کل DMA 2.48 افزایش یافت.درجه سانتیگراد، 1.01 درجه سانتیگراد و 3.76 درجه سانتیگراد برای ماههای مارس، آوریل و مه به ترتیب برای دوره 1988 تا 2018. بیشترین تفاوت در LST برای منطقه اخیر توسعه یافته مشاهده شد. تغییر متوسط ​​LST در مناطق ساخته شده که در آن LST نسبت به مناطق توسعه یافته در حال رشد حساس تر به تغییرات آب و هوایی حساس بود افزایش یافت. سطح پوشش گیاهی در مناطق رو به رشد و در حال توسعه نسبت به مناطق توسعه یافته از سال 1988 تا 2018 به میزان 6.74 درصد کاهش یافته است. .

کلید واژه ها

دمای سطح زمین , جزیره حرارتی شهری سطحی , محیط حرارتی شهری , تغییر NDVI , تغییر پوشش گیاهی

1. مقدمه

فرآیند سریع شهرنشینی نقش کلیدی در شکل گیری جزایر گرمایی شهری (UHI) ایفا می کند، جایی که گرمایش تأثیر بیشتری بر کیفیت زندگی شهری دارد [ 1 ] [ 2 ] [ 3 ]. یک پدیده UHI در مناطق شهری با دمای بسیار گرمتر نسبت به مناطق روستایی مجاور ایجاد می شود و باعث ناراحتی حرارتی شدید برای همه موجودات زنده داخل شهر می شود [ 4 ]]. مناظر طبیعی مناطق روستایی به کاربری مدرن و پوشش زمین مانند ساختمان‌ها، بازارها، جاده‌ها و سایر سطوح غیرقابل نفوذ تبدیل می‌شوند و مناظر شهری را تکه‌تکه و پیچیده می‌کنند و افزایش دمای شهری را بر زندگی شهرنشینان تأثیر می‌گذارند. تغییرات پوشش زمین شهری (ULCC) عمدتاً ناشی از حذف پوشش گیاهی طبیعی است که عمدتاً مسئول تغییرات میکرو اقلیم شهر است [ 5 ]. به طور کلی پوشش سطحی با پوشش گیاهی و آب دمای سطح پایین تری را فراهم می کند. در سال 1990، تنها 15 درصد از جمعیت جهان در شهرها زندگی می کردند، در حالی که در قرن بیستم، این تصویر کاملاً تغییر کرده است، به طوری که تخمین زده می شود حدود 50 درصد از جمعیت کره زمین در شهرها زندگی می کنند .]. LST ممکن است یک عامل کنترل کننده برای بسیاری از فرآیندهای فیزیکی، شیمیایی و بیولوژیکی در جهان باشد و ممکن است به عنوان یک شاخص اندازه گیری تغییرات آب و هوایی جهانی در نظر گرفته شود [ 7 ]. برای محیط شهری، LST ممکن است یک پارامتر حیاتی برای نظارت بر تبادل انرژی بین سطح زمین و در نتیجه جو از نظر شارهای محسوس و تبدیل گرما باشد [ 8 ]. این امر هنگام بحث در مورد اثرات حرارتی شهرها بر اقلیم منطقه اهمیت دارد. درک LST برای اقلیم شناسی شهری، تغییرات محیطی جهانی و تعاملات انسان و محیط زیست حیاتی است [ 9 ]]. در واقع الگوها و فرآیندهای جغرافیایی و اکولوژیکی مشاهده شده متغیرهای فضایی هستند. بنابراین، روابط بین LST و عوامل تاثیر آن اغلب با تغییرات محلی مشخص می شود [ 10 ]. مشخص شده است که رابطه بین نوع پوشش کاربری زمین (LULC) و LST با یک همبستگی مثبت قوی (r ² = 0.9281) [ 11 ] [ 12 ] [ 13 ] بسیار قوی است.

DMA در بنگلادش به سرعت در حال شهرنشینی است و به یک شهر گرمتر تبدیل می شود. LST در شهر داکا به طور قابل توجهی در منطقه شهر افزایش یافته است [ 4 ] [ 14 ] [ 15 ]. بیشتر تحقیقات غالب بر اساس تغییرات LST یا تغییرات پوشش زمین (LC) در DMA [ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ] برای دوره 1989-2009 انجام شده است. LSTها برای دانستن تغییرات دما از مناطق روستایی به مناطق شهری [ 21 ] – [ 26 ] بازیابی شدند.]. مطالعه دیگری نشان داد که زمین های کشاورزی از 67.38 درصد به 62.20 درصد بین سال های 1976 و 2014 با نرخ سالانه 0.56 درصد بین سال های 2001 تا 2008 کاهش یافته است. افزایش مناطق شهری از 11 درصد به 34.4 درصد بین سال های 1960 و 2005 در شهر داکا. همچنین مشخص شده است که گرمایش بیشتر به شهر داکا مرتبط بوده است زیرا شهرنشینی دارای یک پدیده جهانی است [ 27 ].

با این حال، هیچ مطالعه ای در مورد روند تغییرات تغییرات LST و LC در مناطق توسعه یافته و در حال توسعه DMA، بنگلادش در طول فصل تابستان یافت نشد. با توجه به این موضوع، هدف این مطالعه ارائه یک ارزیابی جامع از محیط حرارتی با استفاده از داده‌های سنجش از دور در طول زمان در مکان‌های انتخابی DMA بود. اهداف عبارت بودند از: 1) تعیین روند در فراوانی شاخص های دمای شدید. 2) برای تجزیه و تحلیل الگوهای فضایی شاخص های مربوط به دمای شدید. و 3) برای ارزیابی اهمیت آماری روند در شاخص های دمای شدید از طریق آزمون های پارامتری و ناپارامتریک. دانش تولید شده توسط این مطالعه کمکی برای ارزیابی و کاهش اثرات اجتماعی-اقتصادی افزایش تغییرات حرارتی در UHI از DMA خواهد بود.

2. مواد و روشها

2.1. منطقه مطالعه و مجموعه داده ها

شهر داکا به عنوان منطقه شهری داکا (DMA) تقریباً در مرکز جغرافیایی بنگلادش در 23˚43’0″ شمالی و 90˚24’0″ شرقی واقع شده است ( شکل 1 ). شهر داکا پایتخت بنگلادش است. از نظر جمعیت و وسعت به سرعت در حال رشد است. در سال 2016، جمعیت منطقه بزرگ داکا 18.237 میلیون نفر بود. این شهر به یک شهر بزرگ با حدود 19.56 میلیون نفر تبدیل شده است. اکنون مرکز فعالیت‌های صنعتی، تجاری، فرهنگی، آموزشی و سیاسی کشور است [ 28 ] [ 29 ].]. این شهر با تاریخ رنگارنگ و سنت فرهنگی غنی است. داکا به خاطر تعداد زیاد مساجد و موسلین باستانی که اخیرا احیا شده است مشهور است. این نمایه شهرنشینی بی‌برنامه و خودانگیخته داکا را به تصویر می‌کشد که منجر به گسترش و دگرگونی فضایی بی‌برنامه و سازمان‌یافته شهر شده است. برتری نامتعادل شهری نتیجه تمرکز بالای فعالیت های اداری، مشاغل و خدمات در شهر است [ 30 ]]. چنین فرآیند شهری شدن چشمگیری به دلیل افزایش تراکم ساختمانی و از بین رفتن فضاهای سبز شهری، ناگزیر اثر UHI را در کل شهر به ارمغان آورده است. برای اهداف تحقیق، مناطق مورد مطالعه به دو نوع توسعه یافته و مناطق در حال توسعه طبقه بندی شدند. برای این مطالعه، Motijheel، Gulshan و Uttara را به عنوان منطقه توسعه یافته و Demra، Pallabi را برای مناطق در حال توسعه در DMA انتخاب کردیم.

منطقه توسعه یافته بر اساس کاربری در نظر گرفته شد و دسته بندی های پوشش اراضی مناطق خاص، مانند متیجهیل به عنوان منطقه توسعه یافته و پالابی به عنوان مناطق رو به توسعه در نظر گرفته شد. برعکس، Motijheel نماینده منطقه تجاری اصلی منطقه داکا بود. دفاتر مرکزی انواع موسسات تجاری در متیجهیل وجود دارد. از سوی دیگر، پالابی ثنا با محیط های طبیعی تقریباً جغرافیایی محدود شده است. اوتارا تاناس هستند

در شمال، مدل میرپور و شاه علی ثناس در جنوب، بیمان بندر، کانتون و کافروله ثناس در شرق و سوار اوپازیلا در غرب قرار دارند. پالابی یک منطقه رو به رشد با امکانات مسکونی مانند بازارها و مراکز خرید عمدتاً به صورت برنامه ریزی شده است. بخش بزرگی از زمین هنوز تحت فعالیت های عمرانی قرار نگرفته است. بنابراین، پالابی به عنوان یک منطقه در حال رشد و توسعه در نظر گرفته شد [ 31 ].

سری زمانی تصاویر Landsat گرفته شده توسط Landsat TM و Landsat Operational Land Imager (OLI)/حرارتی مادون قرمز سنسور (TIRS) از وب سایت USGS به دست آمده است. همانطور که در جدول 1 نشان داده شده است، تصاویر Landsat از سال 1988 تا 2018 در دسترس بودند. لندست TM تقریباً بین ساعت 3:45 تا 3:50 به وقت گرینویچ از منطقه مورد مطالعه عبور کرد و Landsat OLI/TIRS تقریباً بین ساعت 4:10 و 4:30 به وقت گرینویچ از منطقه مورد مطالعه عبور کرد. این فرصت خوبی برای جمع آوری تصاویر با حداکثر روشنایی، به ویژه برای مطالعات LST فراهم کرد. تصاویر ماهواره ای در یک دوره 10 ساله به عنوان 1988-1997، 1998-2007، و 2008-2018 خوشه بندی شدند. روند گروه های صدکی LST برای ماه های انتخابی از هر گروه با میانگین مقدار LST از صدک های مختلف پیدا شد. به طور مشابه، روند پوشش گیاهی برای همان دوره و همان گروه از هر گروه با میانگین مقدار تفاوت نرمال یافته یافت شد.

شاخص پوشش گیاهی (NDVI). Google Earth Engine و ArcGIS نسخه 10.6 برای پردازش تصویر استفاده شد. برای انجام تجزیه و تحلیل آماری با استفاده از روش چند بافری از Microsoft Excel استفاده شد. پیش پردازش برای تصاویر Landsat برای حذف سوگیری ها انجام شد [ 32 ]. معمولاً نیازی به اصلاح هندسی برای محصولات سطح 1 لندست نبود، زیرا آنها از طریق یک فرآیند سیستماتیک ثبت می شدند [ 33 ]. اصلاح اصلی رادیومتریک بود و خطاهایی را که بر مقادیر روشنایی پیکسل ها تأثیر می گذارد حذف می کند [ 34]. این خطاها عمدتاً به دلیل خطاهای تشخیص در سیستم حسگر و خطاهای تضعیف محیطی بود. اندازه تصویر اصلی بزرگتر از منطقه مورد مطالعه بود، بنابراین پس از پیش پردازش، آنها با استفاده از یک فایل شکل از DMA ویرایش شدند. در جدول 1 ، تصاویر Landsat مورد استفاده در مطالعه نشان داده شده است.

2.2. پیش پردازش تصویر

Landsat 5 TM و Landsat 8 OLI/TIRS برای ماه های تابستان مانند مارس، آوریل و مه از سال 1988 تا 2018 برای استخراج روندهای LST خریداری شدند. تصاویر دریافتی از وب سایت USGS (https://earthexplorer.usgs.gov/) و تصاویر بدون ابر یا تصاویر با حداقل ابر (کمتر از 5%) در نظر گرفته شدند. تمام باندهای تصاویر ماهواره ای DMA (باند 2 – 8 و 10 – 11) به مرز منطقه مورد مطالعه بریده شدند. قبل از نقشه‌برداری طبقه‌بندی پوشش زمین (LU) و روند LST، این تصاویر ماهواره‌ای تحت گروهی از روش‌های پیش پردازش قرار گرفتند. پیش پردازش شامل کالیبراسیون رادیومتریک و تصحیح اتمسفر (تفریق شی تاریک) بود. سپس، تصاویر با اندازه‌های پیکسل 30 متر در 30 متر برای همه باندها، از جمله باند حرارتی، نمونه‌برداری مجدد شدند. منظر شهری نهایی به طبقه بندی های گروهی مختلف تقسیم شد. در طول این فرآیند، با موتور Google Earth، تصاویر با وضوح مکانی بالا و سایر داده‌های کمکی برای شناسایی انواع کاربری زمین محاسبه شد. به طور کلی، کل دقت طبقه بندی کاربری اراضی بیش از 86.6٪ به دست آمد [35 ]. در کنار داده های LST، تصویر Landsat از روزهای صاف آسمان برای تخمین دقیق میانگین LST برای ماه های مارس، آوریل و می استفاده شد. برای اطمینان از قابلیت اطمینان مقادیر LST ماهانه، حداقل آستانه دوازده روز آسمان صاف در ماه تعیین شد. علاوه بر این، از مجموعه داده‌های تضمین استاندارد استفاده شد، و تنها پیکسل‌های با کیفیت داده‌های خوب انتخاب شدند که میانگین خطا برای انتشار ≤ 0.01 و برای LST ≤ 1 K [ 36 ] دارند.

2.3. تخمین دمای سطح زمین

دمای سطح زمین (LST) از طریق محاسبه شطرنجی در ArcGIS از Landsat 5 TM (باند 6) و از Landsat 8 TIRS (باند 10) تصحیح شده جو به دست آمد. در این مطالعه، طبقه‌بندی نظارت‌شده برای تخمین دسته‌های پوشش زمین و تولید نقشه‌های روند LST از صدک‌های مختلف LSTs در طول زمان با استفاده از تابش و دمای روشنایی موثر در حسگر استفاده شد. تمامی معادلات از سایت USGS در نظر گرفته شد. پارامترهای ورودی اضافی مانند محتوای بخار آب اتمسفر و دمای هوای نزدیک سطح از مشاهدات زمینی نیز برای محاسبه LST مورد نیاز بودند. آنها معمولاً در دسترس نبودند [ 37]. تمام اعداد دیجیتال (مقادیر DN) باندهای حرارتی با استفاده از موتور Google Earth به تابش طیفی تبدیل شدند. یک فرآیند سه مرحله ای برای استخراج LST از تصویر Landsat در مناطق توسعه یافته و در حال رشد دنبال شد [ 38 ]. روند صدک های مختلف LST در طول زمان مانند صدک 50 ^، 75 و 90 برای کل ^DMA توسط گروه های LST سال های مختلف برآورد شد. مشاهدات مادون قرمز حرارتی به راحتی توسط ابر آلوده می شوند، که منجر به شکاف های زیادی در طول تخمین LST می شود [ 39 ]]. بنابراین، مشاهده روند LST در مکان های مختلف مناطق شهری برای انطباق بیشتر با تغییرات ریزاقلیمی یا کاهش UHI ضروری است. برای کاهش گرمایش جهانی، LST یک عامل بسیار منسجم است که UHI را افزایش می دهد. مرحله نهایی بازیابی LST یا دمای سطح زمین تصحیح شده با انتشار با استفاده از تابش و دمای روشنایی موثر در حسگر محاسبه شد، که در آن تصاویر بیشتر برای استخراج LST با استفاده از معادله (1) [ 11 ] [ 30 ] استفاده شدند:

LST =BT( 1 + (λ BTρ) *lnn(ε))LST=BT(1+(λBTρ)*lnn(ε))(1)

در جایی که LST بر حسب ˚C است، BT دمای روشنایی سنسور (˚C)، λ میانگین طول موج باند خاص، ε انتشار و ρ = hc / σ، σ = ثابت بولتزمن (1.38 × ^10-23 ) است. J/K)، h ثابت پلانک است (6.626 × 10-34 ^J /s)، c سرعت نور است ( ^2.998 × 108 m/s).

2.3.1. محاسبه دمای روشنایی

معادله محاسبه دمای روشنایی معادله (2) برای Landsat TM، ETM+ و OLI/TIRS [ 40 ] یکسان است:

BT =ک2ln (ک1L+ 1 )– 273.15BT=K2ln(K1L+1)−273.15(2)

_{که در آن BT دمای موثر ماهواره (} دمای روشنایی) بر حسب ˚C است، K1 ثابت تبدیل باند خاص است، و K2 ثابت کالیبراسیون دیگری در کلوین است . بنابراین، مقادیر K1 و _{K2 برای} OLI _/ TIRS ثابت هستند، اما مقادیر بایاس و افزایش نیز می‌توانند برای تصاویر ماهواره‌ای مختلف متفاوت باشند.

2.3.2. محاسبه تابش طیفی بالای اتمسفر (TOA).

مقادیر پیکسل نشان دهنده عدد دیجیتال (DN) است. تابش به روشنایی (هم شدت و هم جهت آن) و به جهت و موقعیت هدف بستگی دارد. بودجه تشعشعات زمین در بالای جو (TOA) (ERB) ممکن است یکی از ویژگی های کلیدی سیستم آب و هوایی باشد که توازن بین میزان جذب انرژی خورشیدی جهان و نحوه انتشار مادون قرمز حرارتی زمینی را توصیف می کند. مقادیر DN به تابش طیفی TOA تبدیل شد و با استفاده از معادله بعدی (3) [ 41 ] محاسبه شد:

TOA ( L ) =مL∗سcal+آLTOA(L)=ML∗Qcal+AL(3)

در اینجا، M _L نشان‌دهنده ضریب مقیاس‌گذاری مجدد ضربی باند خاص از فراداده است، Q _cal مقادیر پیکسل محصول استاندارد کوانتیزه‌شده و کالیبره‌شده است، مربوط به باند 10 است، A _L ضریب مقیاس‌گذاری مجدد باند خاص از فراداده، مقادیر پیکسل است. تصاویر ماهواره ای (DN) به کلوین و بیشتر به سانتیگراد تبدیل شدند.

2.3.3. تخمین میزان انتشار

انتشار سطحی برای محاسبه دمای سطح زمین توسط سنجش از دور مهم است. مطالعات متعددی در مورد انتشار انجام شده است. در این میان، ما روش پرکاربرد تخمین تابش را با استفاده از آستانه های شاخص گیاهی تفاوت نرمال شده ساده شده (NDVI) که از بازتاب طیفی در باندهای قرمز و مادون قرمز نزدیک به دست می آید، اتخاذ کردیم. فرض بر این است که سطح صاف و همگن است. معادله شرطی (4) برای تخمین گسیل پذیری [ 42 ] به شرح زیر است:

انتشار = ε v λ Pv + ε s λ ( 1 – Pv ) +CλEmissivity=εvλPv+εsλ(1−Pv)+Cλ(4)

که در آن εv و εs پوشش گیاهی و انتشار خاک هستند.

در این مطالعه مقادیر پوشش گیاهی و انتشار خاک به ترتیب 98/0 و 92/0 بود. C نشان دهنده زبری سطح است که به عنوان مقدار ثابت 0.005 در نظر گرفته شده است ( C = 0 برای سطوح صاف و همگن)، λ نشان دهنده طول موج (μm)، Pv کسری از پوشش گیاهی یا نسبت پوشش گیاهی ( Pv ) است که با رابطه زیر محاسبه می شود. 5).

پv =(NDVI –NDVIدقیقهNDVIحداکثر–NDVIدقیقه)2Pv=(NDVI−NDVIminNDVImax−NDVImin)2(5)

2.3.4. برآورد شاخص گیاهی تفاوت نرمال شده (NDVI)

در این مطالعه از NDVI برای بیان تغییرات پوشش گیاهی زمین در مناطق شهری به طور خاص، در مناطق توسعه‌یافته‌تر و رو به رشد در محدوده مورد مطالعه و تفاوت در تفکیک فضایی تصاویر، که در فاصله 30 متری هستند، استفاده شد. سپس ابزارهای GIS با استفاده از تجزیه و تحلیل بصری، داده های مرجع و همچنین دانش محلی برای تقسیم و کدگذاری مجدد این پوشش ها بر روی داده ها اعمال شد. این کار برای انعکاس دقیق طبقات واقعی آنها انجام شد. برعکس، ارزیابی NDVI برای یک پیکسل مشخص همیشه به عددی منجر می‌شود که از -1 تا +1 متغیر است. شاخص تفاوت نرمال شده گیاهی (NDVI) با معادله (6) محاسبه شد. سه نوع اصلی شناسایی شد: پوشش گیاهی کم، پوشش گیاهی متوسط ​​و پوشش گیاهی بالا. در این مطالعه مقادیر NDVI کمتر از 0 تا 0.05 برای پوشش گیاهی کم، 0.05 تا 0.2 برای پوشش گیاهی متوسط ​​و 0 انتخاب شد. 2 به 1 برای پوشش گیاهی بالا. داده های ماهواره ای از سال 1988 تا 2018 با استفاده از پروفایل های طیفی و فضایی برای تعیین اعداد دیجیتالی (DNs) دسته های مختلف قبل از طبقه بندی مورد مطالعه قرار گرفت. طبقه بندی نظارت شده NDVI مجدداً طبقه بندی شد زیرا گاهی اوقات محل دفن زباله شهری با سایر طبقات ادغام می شد که به دلیل ویژگی های طیفی مشابه آنها امکان جداسازی آنها وجود نداشت. بنابراین، از طبقه‌بندی مجدد برای بهبود دقت طبقه‌بندی با روش پیمایش میدانی فیزیکی استفاده شد. در این مطالعه، دقت طبقه‌بندی به ارتباط بین داده‌های سنجش از راه دور و اطلاعات فیزیکی مرجع آن مقادیر پیکسل اشاره داشت. به منظور ارزیابی دقت نقشه های پوشش زمین استخراج شده از داده های لندست، در مجموع 20 پیکسل تصادفی طبقه بندی شده برای سال 2018 تولید شد. داده های ماهواره ای از سال 1988 تا 2018 با استفاده از پروفایل های طیفی و فضایی برای تعیین اعداد دیجیتالی (DNs) دسته های مختلف قبل از طبقه بندی مورد مطالعه قرار گرفت. طبقه بندی نظارت شده NDVI مجدداً طبقه بندی شد زیرا گاهی اوقات محل دفن زباله شهری با سایر طبقات ادغام می شد که به دلیل ویژگی های طیفی مشابه آنها امکان جداسازی آنها وجود نداشت. بنابراین، از طبقه‌بندی مجدد برای بهبود دقت طبقه‌بندی با روش پیمایش میدانی فیزیکی استفاده شد. در این مطالعه، دقت طبقه‌بندی به ارتباط بین داده‌های سنجش از راه دور و اطلاعات فیزیکی مرجع آن مقادیر پیکسل اشاره داشت. به منظور ارزیابی دقت نقشه های پوشش زمین استخراج شده از داده های لندست، در مجموع 20 پیکسل تصادفی طبقه بندی شده برای سال 2018 تولید شد. داده های ماهواره ای از سال 1988 تا 2018 با استفاده از پروفایل های طیفی و فضایی برای تعیین اعداد دیجیتالی (DNs) دسته های مختلف قبل از طبقه بندی مورد مطالعه قرار گرفت. طبقه بندی نظارت شده NDVI مجدداً طبقه بندی شد زیرا گاهی اوقات محل دفن زباله شهری با سایر طبقات ادغام می شد که به دلیل ویژگی های طیفی مشابه آنها امکان جداسازی آنها وجود نداشت. بنابراین، از طبقه‌بندی مجدد برای بهبود دقت طبقه‌بندی با روش پیمایش میدانی فیزیکی استفاده شد. در این مطالعه، دقت طبقه‌بندی به ارتباط بین داده‌های سنجش از راه دور و اطلاعات فیزیکی مرجع آن مقادیر پیکسل اشاره داشت. به منظور ارزیابی دقت نقشه های پوشش زمین استخراج شده از داده های لندست، در مجموع 20 پیکسل تصادفی طبقه بندی شده برای سال 2018 تولید شد.

NDVI =( NIR – قرمز )( NIR + قرمز )NDVI=(NIR−Red)(NIR+Red)(6)

NDVI برای Landsat 5 TM و Landsat 8 OLI & TIRS با نسخه زیر محاسبه می شود:

NDVI برای Landsat 8 OLI & TIRS = (باند 5 – باند 4)/(باند 5 + باند 4) و

NDVI برای Landsat 5 TM، NDVI = (باند 4 – باند 3)/(باند 4 + باند 3).

NDVI به طور موقت برای درک تغییر پوشش زمین در طول دوره مطالعه و نسبت پوشش گیاهی ( Pv ) محاسبه خواهد شد. به همین دلیل است که Pv به شدت با NDVI و انتشار ( ε ) مرتبط است.

2.4. تأثیر دمای سطح زمین بر شهرنشینی

میانگین مقادیر LST برای منطقه انتخاب شده، هر کلاس در مقیاس زمانی تعیین شد. مقادیر LST در هر ناحیه انتخاب شده و کل آمار ناحیه ای DMA در ArcGIS استفاده شد. شناسایی پویایی زمانی LST با طبقات پوشش زمین شهری، هدف اصلی در این مرحله بود. از آنجایی که توجه اصلی این مطالعه تحلیل روندهای مکانی و زمانی مقادیر LST بود، تراکم شهری و مقادیر NDVI در کلاس پوشش زمین شهری بیشتر استخراج شد. مقادیر LST بر اساس صدک های 50 ^، 75 و 90 برای هر ماه برای تجزیه و تحلیل روند LST مجدداً طبقه بندی شدند.

3. نتایج و بحث

3.1. روندهای مکانی درصدهای مختلف دمای سطح زمین (LST) و طبقه بندی پوشش گیاهی و زمین

LSTهای منطقه مورد مطالعه از تصاویر Landsat همانطور که در روش مورد بحث قرار گرفت محاسبه شد. پوشش ابر مشترک برای ماه های منتخب (اسفند-اردیبهشت) برای برخی نقاط خالی در نظر گرفته شد. در نتیجه، برخی از مقادیر روند منظم LST را حفظ نکردند. حداکثر، حداقل و سایر مقادیر آماری LST را می توان با استفاده از آمار Zonal در ArcGIS محاسبه کرد [ 43]. از سوی دیگر، پوشش زمین با پوشش گیاهی با در نظر گرفتن مقادیر NDVI گروه بندی شد. نتایج طبقه‌بندی عمدتاً قابل اعتماد بودند، اگرچه برآورد بیش از حد پوشش زمین شهری با پوشش گیاهی اتفاق افتاد. با در نظر گرفتن دقت بیشتر، داده های سنجش از راه دور در اطلاعات عملی مقادیر 120 پیکسل تصادفی سال 2018 ارجاع شدند. از سوی دیگر، حداکثر تصویر ماهواره ای ماه مارس بدون ابر بود. به همین دلیل ماه مارس به عنوان ماه خشک در نظر گرفته شد که به صورت گرافیکی در شکل 2 نشان داده شده است. این پدیده را می توان با این واقعیت توضیح داد که پوشش گیاهی می تواند مقدار گرمای ذخیره شده در خاک یا سطح زمین را از طریق فرآیند تعرق کاهش دهد [ 44 ].

نقشه‌های LST و NDVI از DMA در شکل‌های 2(a)-(f) و مناطق توسعه یافته و در حال توسعه در شکل‌های 3(a)-(f) برای گروه سال 1988-1997، 1998-2007، و 2008- استخراج شده‌اند. 2018. میانگین LST گروه 2008-2018 در تمام طول بیشتر از گروه 1988-1997 و 1998-2007 بود (شکل 2(a)-(c). مشاهده شد که در گروه سال 1988-1997، در سال‌های 1998-2007 و 2008-2018، مقادیر LST (حداقل و حداکثر) در ماه مارس در DMA محدوده‌ای بین 19.86 درجه سانتی‌گراد تا 28.11 درجه سانتی‌گراد، 22.14 درجه سانتی‌گراد تا 31.19 درجه سانتی‌گراد، و 24.49 درجه سانتی‌گراد، 5 تا 3 درجه سانتی‌گراد را نشان دادند. مقادیر LST در آوریل در DMA به ترتیب بین 23.50 درجه سانتیگراد تا 29.58 درجه سانتیگراد، 23.04 درجه سانتیگراد تا 29.80 درجه سانتیگراد و 24.64 درجه سانتیگراد تا 30.59 درجه سانتیگراد و مقادیر LST در ماه مه در DMA بین 26.6 تا 22 درجه سانتیگراد نشان داد. C، 19.96˚C تا 29.94˚C، و 23.05˚C تا 30.42˚C، به ترتیب. مشاهده شد که میانگین مقدار NDVI برای گروه سال 1988-1997، 1998-2007، و 2008-2018 به ترتیب 0.239- تا 0.501، -0.256 تا 0.458، و 0.239- تا 0.501 بود. این مطالعه همچنین مشاهده کرد که بالاترین

رده پوشش گیاهی برای سال‌های 1988 تا 1997، 74 تا 95 درصد از کل سطح زمین، پوشش گیاهی متوسط ​​2.44 درصد تا 25.49 درصد از کل مساحت، در حالی که رده پوشش گیاهی کم 1.47 تا 3.26 درصد از کل سطح زمین را تشکیل می‌دهد. از سوی دیگر، در سال 2014، بیشترین رده کم پوشش گیاهی در مناطق توسعه‌یافته موتیجهیل، اوتارا و گلشن به ترتیب با 51/68 درصد، 55/76 درصد و 60/56 درصد از کل سطح زمین مشاهده شد. بنابراین، به شدت ثابت شد که پوشش گیاهی در مناطق شهری در حال کاهش است و با مناطق ساخته شده جایگزین می شود. در 30 سال گذشته، 28.88٪ – 95٪ از کل مساحت کاهش یافته است. این روند عمدتا برای مناطق ساخته شده صادق بود. هم برای مناطق در حال توسعه و هم برای مناطق توسعه یافته برای شهرهای پرجمعیت تر، افزایش می یافت. بنابراین،علاوه بر این، این مطالعه همچنین به صورت گرافیکی روند LST را در مناطق توسعه یافته و در حال توسعه تحلیل کرد. روندهای LST و NDVI برای مناطق توسعه یافته تر و در حال توسعه مانند Motijheel، Gulshan، Uttara و Demra، Pallabi برای ماه مارس تا مه در گروه سال 1988-1997، 1998-2007، 2008-2018 تجزیه و تحلیل شد. . شکل 3(a)-(f) توزیع فضایی نقشه روند LST و نقشه روند NDVI را برای ماه مارس نشان می دهد که برای پیکسل های شهری منطقه توسعه یافته Motijheel، Gulshan، Uttara و منطقه در حال رشد و توسعه ارائه شده است. پالابی و دمرا از گروه های سال منتخب. LST در منطقه توسعه یافته از حداقل 21.14 درجه سانتی گراد تا حداکثر 30.96 درجه سانتی گراد، از حداقل 21.56 درجه سانتی گراد تا حداکثر 31.30 درجه سانتی گراد و از حداقل 21.70 درجه سانتی گراد تا حداکثر 32.12 درجه سانتی گراد برای گروه های سال 1988-1997، 19 تغییر کرد. -2007 و 2008-2018، به ترتیب در ماه می. به طور مشابه، آنها از 22.90 درجه سانتیگراد تا 30.78 درجه سانتیگراد، از 23.02 درجه سانتیگراد تا 31.31 درجه سانتیگراد و از 26.96 درجه سانتیگراد تا 30.44 درجه سانتیگراد در ماه آوریل یافت شدند. در ماه مارس، روند LST به ترتیب از 19.35 درجه سانتیگراد به 38.50 درجه سانتیگراد، از 21.45 درجه سانتیگراد به 31.34 درجه سانتیگراد و از 23.51 درجه سانتیگراد تا 30.75 درجه سانتیگراد به ترتیب برای گروه های آن سال مشاهده شد. همچنین مشخص شد که بیشترین روند LST 27.17 درجه سانتیگراد به 30.39 درجه سانتیگراد، از 26.96 درجه سانتیگراد به 30.14 درجه سانتیگراد و از 24.94 درجه سانتیگراد به 30.96 درجه سانتیگراد برای سالهای 1988، 1998، 2018 و 2008 بوده است. ، به ترتیب (جدول 2 ). حداکثر میانگین دمای منطقه توسعه‌یافته 93/37 درجه سانتی‌گراد و بیشترین اختلاف در روند LST 97/2 درجه سانتی‌گراد بین مناطق توسعه‌یافته به دست آمد.

روند LST برای مناطق رو به رشد و در حال توسعه برای ماه مارس با 16.82 درجه سانتیگراد تا 29.77 درجه سانتیگراد، 18.0 درجه سانتیگراد تا 34.50 درجه سانتیگراد و 25.15 درجه سانتیگراد تا 32.20 درجه سانتیگراد مشاهده شد در حالی که برای آوریل از 21.60 درجه سانتیگراد تا 32 درجه سانتیگراد یافت شد. C، 22.21 درجه سانتی گراد تا 35.31 درجه سانتی گراد و 27.67 درجه سانتی گراد تا 32.54 درجه سانتی گراد و برای ماه می آنها از 21.50 درجه سانتیگراد تا 30.65 درجه سانتیگراد، 22.20 درجه سانتیگراد تا 32.20 درجه سانتیگراد و 22.80 درجه سانتیگراد تا 32.92 درجه سانتیگراد به ترتیب برای گروههای 1988-1997، 1998-2007 و 2008-2008 یافت شدند. در مناطق رو به رشد، در حال توسعه مانند دمرا، پالابی برای گروه سال 2008-2018 LST از 32.24٪ – 43.97٪ در مارس، از 5.30٪ – 7.78٪ در آوریل و از 4.27٪ – 5.59٪ در ماه می نسبت به ماه مه افزایش یافته است. گروه سال 1988-1997. به همین دلیل، مارس نسبت به تغییر LST در مناطق رو به رشد و در حال توسعه حساس تر بود. برعکس، در مناطق توسعه یافته، در گروه سال 2008-2018 بین 1.17 تا 16 درصد نسبت به گروه سال 1988-1997 که ماه مارس نیز ماه حساس‌تری برای تغییرات LST بود، افزایش یافت. بنابراین، تغییر LST در یک منطقه شهری سریع بود، و تغییر دمای شهری طی 30 سال گذشته (طی بازه زمانی 1988 تا 2018) روند مثبتی داشته و در مناطق توسعه‌یافته‌تر نسبت به مناطق کمتر توسعه‌یافته بسیار قوی‌تر بوده است. این مطالعه نشان داد که حداکثر روند LST برای کل منطقه در ماه های مارس، آوریل و می از سال 1988 تا 2018 به میزان 2.48 درجه سانتی گراد، 1.01 درجه سانتی گراد و 3.76 درجه سانتی گراد افزایش یافت. تا زمان ثبت تصاویر، به این معنی که زمان های مختلف سال بر نتایج در یک دوره مشابه تأثیر می گذارد. به ویژه، روند پیکسل های شهری در ماه مارس بالا بود، زیرا مواد سطح شهری با دمای تابش بالاتر بود. 76 درجه سانتیگراد در ماه‌های مارس، آوریل و می از 1988 تا 2018. افزایش در مقادیر محدوده می‌تواند مربوط به زمان ثبت تصاویر باشد، به این معنی که زمان‌های مختلف سال بر نتایج در همان دوره تأثیر می‌گذارد. به ویژه، روند پیکسل های شهری در ماه مارس بالا بود، زیرا مواد سطح شهری با دمای تابش بالاتر بود. 76 درجه سانتیگراد در ماه‌های مارس، آوریل و می از 1988 تا 2018. افزایش در مقادیر محدوده می‌تواند مربوط به زمان ثبت تصاویر باشد، به این معنی که زمان‌های مختلف سال بر نتایج در همان دوره تأثیر می‌گذارد. به ویژه، روند پیکسل های شهری در ماه مارس بالا بود، زیرا مواد سطح شهری با دمای تابش بالاتر بود.42 ]. گسترش بزرگ منطقه ساخته شده به وضوح با افزایش LST در مرکز شهر منعکس شد. LST در مناطق توسعه یافته بیشتر از رشد مناطق توسعه یافته به میزان 2.97 درجه سانتیگراد بود. این مطالعه مشاهده کرد که حداکثر نرخ تغییر LST نزدیک به 1.1 درجه سانتی گراد به 3.76 درجه سانتی گراد در 30 سال گذشته در مناطق شهری است.

3.2. روند فضایی پوشش منطقه بر اساس درصدهای مختلف گروه های LST و محدوده های مختلف NDVI برای مناطق توسعه یافته و در حال توسعه

^{الگوهای پوشش سطح زمین توسط گروه های دمایی} مختلف بر اساس صدک 50 ^، 75 و 90 ^، شیب مشابهی با مقادیر دما در شکل 4(a)-(e) نشان داد. علاوه بر این، نقشه‌برداری پوشش گیاهی منطقه مورد مطالعه اطلاعاتی را در مورد شناسایی و برآورد روند تغییر شاخص پوشش گیاهی طی 30 سال گذشته ارائه می‌کند. سناریوهای تغییر سطح پوشش گیاهی در این بازه های زمانی برای ماه های اسفند مناطق منتخب نیز در جدول 3 ارائه شده است. الگوهای پوشش زمین با پوشش گیاهی که بر اساس 3 دسته مورد استفاده برای سال 1988-2018 شناسایی شده اند و همچنین تغییرات پوشش زمین در طول زمان، در جدول 3 آمده است.

در طول مقیاس زمانی (1988-1997، 1998-2007، 2008-2018)، در ماه مارس درصد مناطق تحت پوشش دمای زیر 26.5 درجه سانتیگراد به ترتیب 88.51٪، 58.43٪، 25.31٪ برای. محدوده 26.5 درجه سانتیگراد تا 28.5 درجه سانتیگراد به ترتیب 18.11، 31.25 و 51.89 درصد و بیشتر از 28.5 درجه سانتیگراد به ترتیب 31، 10.32 و 22.80 درصد یافت شد که با 50 درصد مطابقت ^دارد . ^صدک های 75 و 90 به ^ترتیب . بدیهی است که در ماههای اسفندماه 1367 تا 1376، پوشش مساحت اراضی در محدوده دمایی صدک 75 ^و صدک 90 مربوط به مناطق با افزایش سریع در طول اسفند و پوشش منطقه با دامنه دمایی 50 بوده ^{است .}صدک 71 درصد کاهش یافت که در سال 2008-2018 به 22.80 درصد رسید. به طور مشابه، پوشش منطقه برای

محدوده صدک 75 نشان داد که پوشش مساحت اراضی به میزان 78.45 درصد افزایش یافته و در گروه سال 1387-1387، پوشش مساحت ^98.66 درصد در محدوده صدک 90 نسبت به گروه سال 1988 تا 1997 افزایش یافته ^است . مشاهده کرد که در ماه مارس، مناطق بالاتری نیز در مقایسه با ماه های فروردین و اردیبهشت تحت پوشش آن گروه دما قرار گرفته است. نشان داد که طی فروردین ماه، در گروه سال 1387-1387، دامنه دمایی صدک 50 نسبت به گروه سال 97-1988 که کمتر از اسفند بود، ^63.63 درصد افزایش یافت.

شکل 4 نمادی از ناحیه تحت پوشش با صدک های مختلف مناطق انتخاب شده در DMA است. از شکل 4 ، به وضوح قابل درک بود که مناطق شهری توسعه یافته تر، گروه های صدک بالاتری از مقادیر LST را در مقایسه با مناطق در حال توسعه نشان می دهند. یکی از دلایل داشتن مقادیر بالای دما برای مناطق توسعه‌یافته این بود که زمین‌های بایر در مکان‌هایی بودند که توسعه مداوم در آن صورت می‌گرفت. در نتیجه، پوشش گیاهی در مناطق توسعه یافته و در حال توسعه در حال کاهش بود جدول 3 . بنابراین، تغییرات آب و هوایی پس زمینه ضعیف تر از گرم شدن سطح در مناطق شهری بود. این بدان معناست که در ماه مارس، گروه صدک 50 ^مناطق تحت پوشش LST به میزان 67٪ – 96٪، 75٪ کاهش می یابد.^{گروه صدک} نواحی تحت پوشش LST به میزان 63 تا 74 درصد افزایش یافت و گروه صدک 90 مناطق تحت پوشش LST با نرخ 5 تا ^28.54 درصد افزایش یافت. به همین ترتیب، در اردیبهشت ماه، مناطق کانونی بیشتری تحت پوشش گروه صدک 90 ^قرار گرفتند. از سوی دیگر، در سال‌های 2014-2018، سطح پوشش گیاهی با NDVI بالا (0.2 تا 1) به ترتیب 13.50، 35.15، 25.96، 6.76 درصد و 31.70 درصد در موتیجهیل، گلشن، اوتارا، دمرا و پالابی کاهش یافت. در مقایسه با 1988-1997، در حالی که دامنه متوسط ​​NDVI (0.05 تا 0.2) به میزان 21.74، 36.15، 31.59، 8.1 درصد و 31.7 درصد افزایش یافته است ( جدول 3).). این یک واقعیت شناخته شده بود که مناطق سرسبز بیشتر منجر به اثرات خنک کننده بیشتر می شود. بنابراین، باید تایید شود که پوشش گیاهی مانند کشاورزی پشت بام شهری (URTA)، باغ‌ها، جنگل‌ها، پارک‌ها و علفزارها ابزارهای خوبی برای کاهش محیط حرارتی شهری هستند که باعث افزایش سرمایش شهری از طریق تبخیر و تعرق و اثر سایه‌زنی توسط فعالیت‌های سبز می‌شوند.

این مطالعه نشان داد که تغییرات LST شهری و پوشش گیاهی در سه دوره مورد بررسی در این مطالعه به طور یکنواخت در همه جهات رخ نداده است. تحولات جدیدی در کنار مناطق شهری و همچنین در مناطقی که قبلاً با مناطق ساخته شده جایگزین شده بودند مشاهده شد. تغییر سریع پوشش گیاهی کاهش می‌یابد و افزایش LST در نواحی توسعه‌یافته‌تر DMA به این معنی است که برای دولت شهری امکان‌پذیر نبود که رفاه شهری اولیه برای جمعیت فراهم کند. منجر به طیف گسترده ای از مشکلات زیست محیطی شده است. در مناطق توسعه‌یافته‌تر، محل‌های دفن زباله به پساب خاک کمک کرده و در نتیجه پوشش گیاهی کاهش یافته و شهرنشینی ناشیانه را افزایش می‌دهد. ایجاد مکان‌های دفن زباله میزان سیلاب در منطقه توسعه‌یافته را در مقایسه با مناطق در حال توسعه در DMA تشدید کرده است.

3.3. روند زمانی گروه های صدکی مختلف LST

انحراف سالانه صدک های مختلف دما با داده های سری زمانی مورد تجزیه و تحلیل قرار گرفت. تغییرات ماهانه دما بر اساس میانگین دمای حداکثر و حداقل 30 سال گذشته از 1988-2018 مورد تجزیه و تحلیل قرار گرفت. شکل 5(a)-(c) میانگین میانگین ماهانه روند LST DMA را نشان می دهد.

این مطالعه دریافت که میانگین LST بالا در ماه مارس در دوره 1988-2018 مشاهده شد. کمترین میانگین میانگین روند LST در ماه آوریل مشاهده شد. میانگین دمای ماهانه بالاتر در ماه می برای DMA مشاهده شد.

افزایش دما به طور قابل توجهی در دوره 1988-2018 مشاهده نشد. علاوه بر افزایش LST ناشی از تغییرات در شرایط پوشش سطح، محیط گرمایش آب و هوایی عمومی یک پس‌زمینه مهم برای تجزیه و تحلیل تغییرات زمانی را نشان می‌دهد. برای تعمیق درک تغییرات زمانی، مقدار میانگین داده های LST از انجام یک تحلیل روند تقریباً مشابه، همانطور که در شکل 5 نشان داده شده است، به دست آمد.. توزیع الگوی تغییر یافته میانگین LST در ماه های اسفند تا اردیبهشت معنی دار بود و روند تغییر در ماه مارس نسبت به فروردین و اردیبهشت معنی دارتر بود. میانگین مقدار LST در مناطق شهری روند افزایشی داشته است. در DMA، میانگین مقدار LST در 24.1 درجه سانتیگراد یافت شد، اما به دلیل شهرنشینی، در سال 2018، میانگین مقدار LST در همان ماه در 29.8 درجه سانتیگراد یافت شد. به طور مشابه، در ماه های آوریل و می از سال 1988 تا 2018، میانگین LST به میزان 4.9 درجه سانتی گراد و 5.3 درجه سانتی گراد در DMA افزایش یافت. میزان تغییر در میانگین LST در ماه می به طور کلی بیشتر از ماه دیگر سال بود.

شکل 6(a)-(f) و شکل 7(a)-(f) نیز میانگین روندهای LST را در مناطق توسعه یافته (گلشن و متیجهیل) و مناطق در حال توسعه (دمرا و پالابی) واقع در اطراف مرز DMA نشان می دهد و نشان می دهد. یک اثر گرمایش قوی با مقادیر بالاتر.

مقدار LST تنها دو Thana از مناطق در حال توسعه و مناطق توسعه یافته در شکل 6 و شکل 7 ارائه شده است. علاوه بر این، LST سایر Thana از تصویر Landsat محاسبه و مورد تجزیه و تحلیل قرار گرفت و مقادیر میانگین روندهای زمانی (LST) آن مناطق انتخاب شده برآورد شد. از تجزیه و تحلیل و مشاهدات این شکل 6 و شکل 7 ، مشخص شد که میانگین LST هر سال روندی افزایشی داشته و اثر گرمایش در ماه مارس (R2 ⁼ 0.128 تا 0.2459) در ساختمان های بالاتر مشهودتر است. نواحی در DMA مانند Motijheel و Gulshan در حالی که اثر گرمایش به طور قابل توجهی ضعیف تر بود

(R ² = 0.0049 تا 0.0587) در ماه می. از سوی دیگر، LST در ماه مه (R ² = 0.2068 تا 0.3487) در مناطق رو به رشد و در حال توسعه مانند Demra و Pallabi بالاتر بود. تجزیه و تحلیل روندها با استفاده از میانگین مقادیر زمانی LST مناطق در حال توسعه و توسعه یافته از سال 1988 تا 2018 از آن مناطق منتخب نشان داد که توسعه یافته ترین و در حال رشد ترین مناطق در حال توسعه دارای روند مثبت LST در ماه مارس تا مه بوده اند.

روندهای کمتر قابل توجهی برای ماه آوریل در هر دو منطقه یافت شد. میانگین مقدار LST در مناطق توسعه‌یافته‌تر در ماه‌های مارس، آوریل و مه طی 30 سال گذشته 6.3 درجه سانتی‌گراد، 3.10 درجه سانتی‌گراد و 5.3 درجه سانتی‌گراد افزایش یافته است. به طور مشابه، میانگین مقدار LST در مناطق توسعه یافته رو به رشد به ترتیب برای ماه های مارس، آوریل و می به ترتیب 6.1 درجه سانتی گراد، 3.1 درجه سانتی گراد و 3.2 درجه سانتی گراد برای 30 سال گذشته افزایش یافته است. بنابراین، تغییر LST در مناطق توسعه یافته تر در مقایسه با مناطق در حال توسعه حساس تر بود. بنابراین، تغییرات دامنه های مختلف LST چه در مناطق توسعه یافته و چه در مناطق در حال توسعه که اغلب توسط مناطق ساخته شده پوشش داده می شود، مستقیماً با گسترش مناطق ساخته شده مرتبط بود. با این حال، با توجه به اثر گرمایش تغییر اقلیم، از بحث فوق، واضح است که LST عامل اصلی تغییر اقلیم و همچنین گرم شدن کره زمین است. این پدیده در مرکز شهر مناطق شهری به ویژه مناطق توسعه یافته بیشتر نمود پیدا می کند.

3.4. مقایسه پوشش گیاهی و درصد متفاوت LST با مناطق توسعه یافته و در حال رشد در DMA

رشد شهری در کشورهای در حال توسعه رایج است، در حالی که روند و الگوهای رشد آنها به دلیل برنامه‌ریزی شهری، سیاست‌های اداری متفاوت و برای مناظر مختلف شهری متفاوت است. دامنه شهرنشینی پیشروترین توسعه‌یافته‌های Thanas، مانند Motijheel، Gulshan و Uttara، با استفاده از تصویر Landsat مورد تجزیه و تحلیل قرار گرفت. در مقایسه با مناطق توسعه یافته رو به رشد مانند دمرا و پالابی کمتر یافت شد و با تغییرات پوشش زمین شهری سازگار بود. منطقه وسیع پوشش گیاهی به یک منطقه پرجمعیت می تواند با افزایش LST به طور قابل توجهی به اثرات UHI DMA کمک کند. مناطق با دمای بالا نیز تمایل به داشتن مقادیر NDVI پایین‌تری دارند. این جنبه از طریق تجزیه و تحلیل همبستگی بین LST و NDVI تایید شد. از این رو، همبستگی بین NDVI و LST از تفسیر بصری تضادهای NDVI و LST کاملاً واضح بود. در تصاویر LST، مقادیر LST مناطق کم پوشش گیاهی (تشکیل شده، بایر، بستر رودخانه های خشک) بالاتر از مقادیر به دست آمده برای مناطق مربوط به آب، پوشش گیاهی و زمین کشاورزی بود.جدول 3 نشان می دهد که قله های LST معمولا در مناطق ساخته شده یافت می شوند، در حالی که فرورفتگی ها در مناطق پوشش گیاهی یافت می شوند. قله های NDVI در مناطق پوشش گیاهی یافت شد. بنابراین، NDVI و LST یک همبستگی منفی شفاف نشان دادند. به عبارت دیگر، مقادیر NDVI در مواردی که LST بالا بود و بالعکس، کوچکتر (یا حتی نامطلوب) بودند. از جدول 3مشخص شد که پوشش گیاهی در منطقه توسعه‌یافته در مقایسه با مناطق توسعه‌یافته بین ۷ تا ۱۰ درصد کاهش یافته است. ارتباط بین LST و پوشش های زمین بتنی با یک همبستگی یکسان مورد بررسی قرار گرفت. بهترین LST در Motijheel یافت شد که بالای دمرا 37.932 درجه سانتیگراد بود. این یک تضاد برای مناطق در حال توسعه اولیه و متراکم ساخته شده بود. در دمرا، سطح پوشش گیاهی متوسط ​​13.74 درصد نسبت به مناطق توسعه یافته مانند متیجهیل افزایش یافت. سطح پوشش گیاهی در مناطق رو به رشد و در حال توسعه در مقایسه با مناطق توسعه یافته در سال‌های 1988-2019 به میزان 6.74 درصد کاهش یافت. بنابراین، مطالعات از تصاویر ماهواره‌ای معمولی در دو یا سه تاریخ مختلف در یک ماه استفاده کردند. تمام تصاویر آسمان صاف موجود در طی چندین سال برای مناطق انتخاب شده برای جلوگیری از آلودگی ابر و دقت کمتر مورد مطالعه قرار گرفتند. بدیهی است که چشم انداز پوشش گیاهی شهری نقش حیاتی در کاهش اثر UHI در مراکز شهر ایفا می کند. برنامه ریزان شهری برای افزایش فضاهای سبز شهری از طریق برنامه ریزی به عنوان ابزارهای کاهش دهنده برای کاهش گرمایش شهری در شهر داکا مطرح می شوند.

4. نتیجه گیری

این مطالعه دمای سطح زمین و روند شهرنشینی DMA و تأثیرات آن بر ایجاد ابزار سنجش از دور خسته کننده UHI و GIS را تحلیل کرد. نتایج این مطالعه به وضوح روند گرم شدن قابل توجهی را برای توسعه‌یافته‌ترین یا ساخته‌شده‌ترین مناطقی که با افزایش گرمایش آب و هوایی تشدیدکننده UHI مواجه هستند، نشان داد. مسلم است که روند گرمایش بیشتر اکوسیستم شهری را بدتر می کند و فرآیندهای اصلی آبی-اکولوژیکی در منطقه مورد مطالعه را تغییر می دهد. افزایش فعالیت پوشش گیاهی می تواند محیط گرم محلی فعلی را از مناطق شهری بازدارد و اثرات تغییرات آب و هوایی را از بین ببرد. روند مکانی و زمانی پوشش گیاهی و اثرات آن بر تغییرات LST بر اساس صدک های ^50 ، 75 و ⁹⁰منجر به این نتیجه شد که مناطق نقاط داغ در مناطق توسعه یافته تر که پوشش گیاهی کمتر از مناطق در حال رشد و توسعه است جمع آوری شده است. LST در مناطق توسعه یافته به تغییرات آب و هوایی حساس تر از مناطق در حال رشد و توسعه است و رویکردهای سازگاری یا افزایش پوشش گیاهی برای غلبه بر افزایش LST در مناطق کانونی مورد نیاز است.

انجام تجزیه و تحلیل اثرات گرمایش شهری با استفاده از تصاویر ماهواره ای / داده های رادار چند منبعی برای مهار اثر UHI آینده DMA ضروری است. استفاده یکپارچه از ArcGIS، RS، و داده های اجتماعی-اقتصادی برای درک پویایی مکانی و زمانی تغییرات عمده در LST و NDVI موثر خواهد بود.

این نتایج قرار است اطلاعات ارزشمندی را برای برنامه ریزان شهری و محققان فراهم کند تا اقدامات سبز مناسب مانند کشاورزی بالای پشت بام را برای کاهش اثرات UHI انجام دهند. راه دستیابی به شهرهای پایدار شهری را هموار خواهد کرد. علاوه بر این، با این یافته ها، برنامه ریزان می توانند تغییرات احتمالی در پیکربندی رشد شهری را پیش بینی کنند.

منابع

[ 1 ]	سینگ، پی.، کیکن، ن. و ورما، پی (2017) تأثیر تغییر کاربری زمین و شهرنشینی در جزیره گرمای شهری در شهر لاکنو، مرکز هند. یک برآورد مبتنی بر سنجش از دور. شهرها و جامعه پایدار، 32، 100-114. https://doi.org/10.1016/j.scs.2017.02.018
[ 2 ]	Elmes, A., Rogan, J., Williams, C., Ratick, S., Nowak, D. and Martin, D. (2017) اثرات از دست دادن تاج درخت شهری بر بزرگی و زمان بندی دمای سطح زمین. ISPRS مجله فتوگرامتری و سنجش از دور، 128، 338-353. https://doi.org/10.1016/j.isprsjprs.2017.04.011
[ 3 ]	Bonafoni, S. and Keeratikasikorn, C. (2018) دمای سطح زمین و تراکم شهری: مدل‌سازی چند ساله و تحلیل رابطه با استفاده از داده‌های Modis و Landsat. سنجش از دور، 10، 1471. https://doi.org/10.3390/rs10091471
[ 4 ]	Liu, H., Zhan, Q., Gao, S. and Yang, C. (2019) تنوع فصلی ارتباط فضایی غیر ساکن بین دمای سطح زمین و منظر شهری. سنجش از دور، 11، 1016. https://doi.org/10.3390/rs11091016
[ 5 ]	ابراهیم، ​​GRF (2017) تغییرات پوشش زمین کاربری زمین شهری و تأثیر آنها بر دمای سطح زمین: مطالعه موردی با استفاده از شهر دهوک در منطقه کردستان عراق. آب و هوا، 5، 13. https://doi.org/10.3390/cli5010013
[ 6 ]	Das Majumdar, D. and Biswas, A. (2016) کمی سازی تغییر دمای سطح زمین از خوشه های LISA: یک رویکرد جایگزین برای شناسایی تغییر کاربری زمین شهری. منظر و شهرسازی، 153، 51-65. https://doi.org/10.1016/j.landurbplan.2016.05.001
[ 7 ]	Ranagalage, M., Murayama, Y., Dissanayake, DMSLB and Simwanda, M. (2019) تأثیرات تغییرات چشم انداز بر میانگین سالانه دمای سطح زمین در شهر کوهستانی گرمسیری سریلانکا: مطالعه موردی Nuwara Eliya (1996- 2017). پایداری، 11، 5517. https://doi.org/10.3390/su11195517
[ 8 ]	Dewan، AM و Corner، RJ (2014) تأثیر کاربری زمین و تغییرات پوشش زمین بر دمای سطح زمین شهری. در: ابرشهر داکا: دیدگاه‌های جغرافیایی در شهرسازی، محیط‌زیست و سلامت، اسپرینگر، برلین، 219-238. https://doi.org/10.1007/978-94-007-6735-5_12
[ 9 ]	Li, Z., Xie, C., Chen, D., Lu, H. and Che, S. (2020) اثرات الگوهای پوشش زمین بر دمای سطح زمین مرتبط با انواع کاربری زمین در امتداد گرادیان های شهرنشینی در شانگهای چین. مجله لهستانی مطالعات محیطی، 29، 713-725. https://doi.org/10.15244/pjoes/99974
[ 10 ]	دوتا، دی.، رحمان، آ.، پل، اسکی و کوندو، ا. (2019) تغییر الگوی منظر شهری و تأثیر آن بر دمای سطح زمین در دهلی و اطراف آن. پایش و ارزیابی محیطی، 191، 551. https://doi.org/10.1007/s10661-019-7645-3
[ 11 ]	Ishtiaque، TA، Tasin، ZT و Akter، KS (2017) ارزیابی شدت جزیره گرمایی شهری از طریق مطالعه مقایسه ای دمای سطح زمین و شاخص گیاهی تفاوت نرمال شده: مطالعه موردی چیتاگونگ، بنگلادش. مجله بین المللی عمران، محیط زیست، سازه، ساخت و ساز و مهندسی معماری، 11، 37.
[ 12 ]	رحمان، MM، حسن، ام اس، بهاالدین، KM، Khondoker، A. and Bhuiyan، MAH (2018) بررسی تاثیر مهاجرت روستایی-شهری بر کاربری زمین شهری و پوشش زمین: موردی از شهر داکا، بنگلادش. مهاجرت و توسعه، 7، 222-239.
[ 13 ]	Amin, AKMK, Haque, MA and Alamgir, M. (2013) تجزیه و تحلیل تخریب تالاب در اطراف شهر داکا در بنگلادش. مجله آسیایی آب، محیط زیست و آلودگی، 10، 19-26.
[ 14 ]	ژو، دی، و همکاران. (2019) سنجش از دور ماهواره ای جزایر حرارتی شهری سطحی: پیشرفت، چالش ها و چشم اندازها. سنجش از دور، 11، 48. https://doi.org/10.3390/rs11010048
[ 15 ]	کارتر، جی جی (2018) سازگاری با تغییرات آب و هوایی شهری: بررسی پیامدهای سناریوهای پوشش زمین در آینده. شهرها، 77، 73-80. https://doi.org/10.1016/j.cities.2018.01.014
[ 16 ]	Mai, MM and Rahman, M. (2011) پایداری فرهنگی سبک های سازگاری مسکونی در محله های نیمه شهری ابوجا و هسته داکا. مجله توسعه پایدار و حفاظت از محیط زیست، 1، 41-56.
[ 17 ]	الشعیبی، AAA، و همکاران. (2018) ادراکات و رفتار مربوط به بیماری های غیرواگیر در میان ساکنان زاغه در یک شهر به سرعت شهری، داکا، بنگلادش: یک مطالعه کیفی. مجله علوم پزشکی ناگویا، 80، 559-569.
[ 18 ]	Uddin, M., Anwar, M., Rahman, M. and Mobin, M. (2015) بررسی الگوی تغییر کاربری زمین در شهر داکا با استفاده از سنجش از دور و کاربرد GIS. مجله علوم محیطی و منابع طبیعی، 7، 105-109. https://doi.org/10.3329/jesnr.v7i2.22217
[ 19 ]	Rouf, MA and Jahan, S. (2007) الگوهای مکانی و زمانی شهرنشینی در بنگلادش. شهرنشینی در بنگلادش: الگوها، مسائل و رویکردهای برنامه ریزی (ص 1-24). موسسه برنامه ریزان بنگلادش، داکا.
[ 20 ]	Hossain، KMA و Easa، SM (2012) ویژگی های پراکندگی آلاینده در شهر داکا، بنگلادش. مجله آسیا و اقیانوسیه علوم جوی، 48، 35-41. https://doi.org/10.1007/s13143-012-0004-8
[ 21 ]	راجا، DR و Neema، MN (2013) تأثیر توسعه شهری و پوشش گیاهی بر دمای سطح زمین شهر داکا. در: کنفرانس بین المللی علوم محاسباتی و کاربردهای آن، Springer، برلین، 351-367. https://doi.org/10.1007/978-3-642-39646-5_26
[ 22 ]	Habiba, U., Zaider, F., Ishtiaque, A., Mahmud, MS and Mesrur, A. (2011) تحلیل تغییر مکانی-زمانی مبتنی بر سنجش از دور و GIS تالاب در شهر داکا، بنگلادش. مجله منابع آب و حفاظت، 3، 781-787. https://doi.org/10.4236/jwarp.2011.311088
[ 23 ]	راجا، DR (2012) تجزیه و تحلیل فضایی دمای سطح زمین در منطقه شهری داکا. مجله موسسه برنامه ریزان بنگلادش، 5، 151-167.
[ 24 ]	احمد، ب.، کامروززمان، ام.، ژو، ایکس، رحمان، ام اس و چوی، ک. (2013) شبیه سازی تغییرات پوشش زمین و تأثیرات آنها بر دمای سطح زمین در داکا، بنگلادش. سنجش از دور، 5، 5969-5998. https://doi.org/10.3390/rs5115969
[ 25 ]	جولین، ی.، و همکاران. (2011) تجزیه و تحلیل زمانی پارامترهای شاخص گیاهی تفاوت نرمال شده (NDVI) و دمای سطح زمین (LST) برای تشخیص تغییرات در پوشش زمین ایبری بین سال‌های 1981 و 2001. مجله بین‌المللی سنجش از دور، 32، 2057-2068. https://doi.org/10.1080/01431161003762363
[ 26 ]	اسلام، ک.، جاشم الدین، م.، ناث، بی و ناث، TK (2018) طبقه بندی کاربری زمین و تشخیص تغییر با استفاده از تصاویر سنجش از دور چند زمانی: مورد پناهگاه حیات وحش چوناتی، بنگلادش. مجله مصری سنجش از دور و علوم فضایی، 21، 37-47. https://doi.org/10.1016/j.ejrs.2016.12.005
[ 27 ]	Alam، MJ و Mullick، RA (2014) اثرات تغییر آب و هوا بر توسعه عظیم زمین و مسکن: مورد داکا، بنگلادش. مجله بین المللی استراتژی ها و مدیریت تغییر اقلیم، 6، 315-331.
[ 28 ]	بانک جهانی (2016) چشم انداز شهرنشینی جهانی بخش جمعیت سازمان ملل متحد. جمعیت سازمان ملل بخش چشم انداز شهری جهان
[ 29 ]	سازمان ملل متحد (2019) چشم انداز جمعیت جهان 2019: نکات برجسته. انتشارات سازمان ملل متحد، نیویورک.
[ 30 ]	Rahman, MN (2019) تحلیل گسترش شهری و تغییرات کاربری زمین در منطقه شرکت شهر رانگپور، بنگلادش، با استفاده از تکنیک‌های سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS). Geosfera Indonesia, 4, 217-229. https://doi.org/10.19184/geosi.v4i3.13921
[ 31 ]	سرشماری جمعیت بنگلادش (2001) و اداره آمار بنگلادش (2019).
[ 32 ]	Cai, Q., Li, E. and Jiang, R. (2017) تجزیه و تحلیل رابطه بین دمای سطح زمین و تغییرات پوشش زمین با استفاده از داده های ماهواره ای چند زمانی. فن آوری محیط زیست و آلودگی طبیعت، 16، 1035-1042.
[ 33 ]	Sussman, HS, Raghavendra, A. and Zhou, L. (2019) تأثیرات افزایش شهرنشینی بر دمای سطحی، پوشش گیاهی و ذرات معلق در هوا در بنگالورو، هند. کاربردهای سنجش از دور: جامعه و محیط زیست، 16، شناسه مقاله: 100261. https://doi.org/10.1016/j.rsase.2019.100261
[ 34 ]	Hu, Y., Jia, G., Hou, M., Zhang, X., Zheng, F. and Liu, Y. (2015) اثرات تجمعی گسترش شهری بر دمای سطح زمین در متروپولیتن جین جیانگ چین. مجله تحقیقات ژئوفیزیک، 120، 9932-9943. https://doi.org/10.1002/2015JD023653
[ 35 ]	Xie, Q, Zhou, Z., Teng, M. and Wang, P. (2012) A Multi-Temporal Landsat TM Analysis of Impact of Land and Cover Changes on Urban Heat Island Effect. مجله غذا، کشاورزی و محیط زیست، 10، 803-809.
[ 36 ]	Mathew, A., Khandelwal, S. and Kaul, N. (2018) تغییرات مکانی- زمانی دمای سطح شهر احمدآباد و رابطه آن با پارامترهای پوشش گیاهی و شهرنشینی به عنوان شاخص های دمای سطح. کاربردهای سنجش از دور: جامعه و محیط زیست، 11، 119-139. https://doi.org/10.1016/j.rsase.2018.05.003
[ 37 ]	Bhattacharjee، S. and Ghosh, SK (2015) مدلسازی تغییر مکانی-زمانی LULC: یک رویکرد کریجینگ معنایی. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2, 177-184. https://doi.org/10.5194/isprsannals-II-4-W2-177-2015
[ 38 ]	Benas, N., Chrysoulakis, N. and Cartalis, C. (2017) روندهای دمای سطح شهری و ویژگی های جزیره گرمایی در مدیترانه. اقلیم شناسی نظری و کاربردی، 130، 807-816.
[ 39 ]	Aina, YA, Adam, EM and Ahmed, F. (2017) تغییرات مکانی-زمانی در تأثیرات انواع کاربری زمین شهری بر اثرات جزیره گرمایی شهری: مورد ریاض، عربستان سعودی. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات مکانی، 42، 9-14. https://doi.org/10.5194/isprs-archives-XLII-3-W2-9-2017
[ 40 ]	Saini, V. and Tiwari, RK (2017) تأثیر شهرنشینی بر دمای سطح زمین و NDVI: مطالعه موردی دهرادون، هند، مطالعه دینامیک یخچال‌های طبیعی با استفاده از تکنیک‌های پیشرفته سنجش از دور.
[ 41 ]	Yaa’Cob, N., Abd Rashid, ZNA, Tajudin, N. and Kassim, M. (2020) امکان لغزش با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی (GIS). مجموعه کنفرانس IOP: علوم زمین و محیط زیست، 540، شناسه مقاله: 012084. https://doi.org/10.1088/1755-1315/540/1/012084
[ 42 ]	Bidoglio, G., Berger, M. and Finkbeiner, M. (2019) ارزیابی زیست محیطی نیروگاه های آبی کوچک در هند: هزینه های واقعی ساخت سدها تحت یک چشم انداز چرخه حیات. مجله بین المللی ارزیابی چرخه زندگی، 24، 419-440. https://doi.org/10.1007/s11367-018-1458-4
[ 43 ]	Ayalew، L. و Hiromitsu، Y. (2005) کاربرد رگرسیون لجستیک مبتنی بر GIS برای نقشه‌برداری حساسیت زمین لغزش در کوه‌های Kakuda-Yahiko، ژاپن مرکزی. ژئومورفولوژی، 65، 15-31. https://doi.org/10.1016/j.geomorph.2004.06.010
[ 44 ]	Barreca, F. (2016) باغبانی پشت بام. راه حلی برای صرفه جویی در انرژی و بهبود چشم انداز در مناطق شهری مدیترانه. Procedia Social and Behavioral Sciences, 223, 720-725. https://doi.org/10.1016/j.sbspro.2016.05.248